Descriptif
L’intelligence artificielle est souvent perçue selon le paradigme du « penseur isolé ». Pourtant, il est possible d’étudier l’intelligence artificielle sous l’angle de l’interaction entre plusieurs agents intelligents. Ce paradigme est au cœur des systèmes multi-agents. L’objectif de ce cours est de sensibiliser les étudiants aux problématiques amenées par ce paradigme. Il constitue une introduction à un panel de problématiques pour lesquelles les systèmes multi-agents sont utilisés, en particulier la simulation et la résolution distribuée de problèmes. Il permet aussi de découvrir une nouvelle manière de développer à travers des frameworks d’Agent Oriented Programming. Enfin, il présente un certain nombre de concepts essentiels dans le domaine des systèmes multi-agents : composantes d’un système multi-agents, architectures d’agents, comportements émergents, paradigmes cognitif et réactif, agents coopératifs et compétitifs. Au-delà de cette introduction, le cours inclut également des sujets plus avancés portant sur la négociation automatique, et qui servent de cas d’application aux concepts abordés précédemment. Dans ce cadre, les dernières séances comprendront une introduction aux mécanismes d’incitation et à la théorie des enchères, ainsi qu’un mini-projet consistant en une compétition de négociation automatique.
Objectifs pédagogiques
- Être capable de penser l’intelligence artificielle de manière systémique, en anticipant l’émergence de comportements de groupe dans un système d’agents autonomes.
- Être capable d’identifier les problématiques auxquelles les systèmes multi-agents peuvent répondre et identifier quel type de systèmes multi-agents constitue une réponse pertinente.
- Être capable d’implémenter un système multi-agent simple en utilisant un framework spécifique (JADE/GAMA)
effectifs minimal / maximal:
10/30Diplôme(s) concerné(s)
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées
Vos modalités d'acquisition :
Notation de chaque TP comptant pour 7% de la note finale
Le projet compte pour 50% de la note finale
Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)- le rattrapage est obligatoire si :
- Note initiale < 6
- le rattrapage peut être demandé par l'étudiant si :
- 6 ≤ note initiale < 10
- Crédits ECTS acquis : 1.7 ECTS
Le coefficient de l'UE est : 1.7
La note obtenue rentre dans le calcul de votre GPA.
L'UE est évaluée par les étudiants.
Programme détaillé
1. Introduction générale – objectifs : comprendre les problématiques métier traitées par les systèmes multi-agents. Comprendre les problématiques soulevées par les systèmes multi-agents. Taxonomie d’agents : avoir un aperçu sur les différents types d’agents autonomes. TP : Initiation aux agents autonomes
2. Les éléments du système multi-agents – objectifs : Prendre en compte les différents éléments du système selon l’approche AEIO : Environnements, Interaction, Organisation (introduction au A de Agents fait en séance 1). Introduire les problématiques traitées classiquement par les systèmes multi-agents et les outils dédiés. TP : construction d’un système multi-agents simple mais intégrant ces éléments.
3. Introduction aux agents réactifs – objectifs : comprendre les particularités des agents réactifs. Remettre en cause le paradigme d’agent horizontal vu en séance 1 et introduire un paradigme vertical. Comprendre la notion de comportements émergents. TP : constater des comportements émergents à travers des agents réactifs simples.
4. Introduction aux agents BDI – objectifs : Comprendre le modèle Belief Desire Intention. Avoir un aperçu des différents frameworks d’agents spécialisés BDI. Voir quelques cas d’application. TP : Implémentation d’agents BDI pour la simulation économique.
5. Introduction aux autres agents cognitifs & agents hybrides – objectif : tour d’horizon des architectures d’agents cognitifs et introduction aux agents hybrides. Voir le continuum entre agents purement réactifs et agents purement cognitifs. TP : observer les avantages d’un agent hybride dans un cadre similaire à celui utilisé pour les agents réactifs.
6. Mécanisme de coordination, décision décentralisée et mécanismes d’incitation – objectifs : présenter le lien entre SMA et théorie des jeux ; introduire aux mécanismes d’incitations. Introduire à la prise de décision décentralisée. Introduire rapidement la théorie des enchères (enchères de Vickrey). TP : Observation de l’effet des mécanismes d’incitation sur les agents.
7. Négociation automatique : introduire les concepts de la négociation automatique (domaine de négociation, profil de préférence). Introduire le modèle BOA Bidding Strategy, Opponent modeling, Acceptance Strategy. Présenter quelques stratégies régulièrement utilisées en négociation automatique. TP : début du projet de conception d’un agent de négociation autonome.
8. Évaluation : Fin du projet de conception d’un agent de négociation autonome. Présentation des agents de négociation autonome de chaque équipe. Compétition entre agents.
